diagnosis penyakit pasien menggunakan sistem neuro

Seminar Nasional Teknologi Informasi dan Komunikasi 2014 (SENTIKA 2014)
Yogyakarta, 15 Maret 2014
ISSN: 2089-9813
DIAGNOSIS PENYAKIT PASIEN MENGGUNAKAN SISTEM NEURO FUZZY
BERBASIS SISTEM INFORMASI REKAM MEDIS DAN PEMERIKSAAN
LABORATORIUM
Dwi Otik Kurniawati1, Risanuri Hidayat2, Bimo Sunarfri Hantono3
Mahasiswa Pascasarjana Teknik Elektro, Fakultas Teknik, Universitas Gadjah Mada Yogyakarta
Jl. Grafika No.2 Kampus UGM, Yogyakarta 55281
(0274) 547506
2,3
Dosen Pascasarjana Teknik Elektro, Fakultas Teknik, Universitas Gadjah Mada Yogyakarta
Jl. Grafika No.2 Kampus UGM, Yogyakarta 55281
(0274) 547506
E-mail: [email protected], [email protected], [email protected]
1
ABSTRAK
Teknologi informasi sekarang berkembang sangat pesat, dapat digunakan di berbagi bidang. Salah satunya
adalah bidang kesehatan. Dengan menggabungkan metode di bidang Artificial Intelligence maka sistem
informasi yang dihasilkan semakin cerdas. Salah satunya menggabungkan sistem informasi dengan metode
Neuro Fuzzy. Dengan menggunakan sistem inferensi fuzzy maka dapat memberikan nilai tegas dalam setiap
pengklasifikasian data. Penggunaan metode ANFIS akan memberikan proses pembelajaran yang lebih cepat dan
efisien dibanding jaringan syaraf tiruan.Sistem cerdas mampu memberikan hasil diagnosis pembanding dengan
dokter. Hal ini dapat membantu memberikan hasil diagnosis seakurat mungkin. Penggunaan metode Neuro
Fuzzy ke dalam sistem informasi, sistem memiliki kelebihan yaitu kemampuannya untuk belajar melalui suatu
algoritma pembelajaran (learning algorithm).
Kata Kunci: neuro fuzzy, ANFIS, learning algorithm
ABSTRACT
Information technology is now developing very rapidly, can be used in shared fields. One of these is the health
field. By combining the methods in the field of Artificial Intelligence, the system generated information getting
smarter. One of these systems combine information with Neuro Fuzzy method. By using the fuzzy inference
system can provide the value of each firm in the data classification. The use ANFIS method will provide the
learning process faster and more efficient than tiruan.Sistem intelligent neural network is able to provide a
comparison with doctor's diagnosis. This can help provide a diagnosis as accurate as possible. The use of Neuro
Fuzzy method into the information system, the system has the advantage of its ability to learn through a learning
algorithm (learning algorithm).
Key Word : neuro fuzzy, ANFIS, learning algorithm
digunakan oleh dokter. Salah satu penyebab yang
sering terjadi dari kesalahan diagnosis adalah dokter
tidak melakukan pemeriksaan secara lengkap dan
cermat. Bila ketidakcermatan ini menyebabkan
kerugian
pasien
maka
dokter
akan
bertanggungjawab.
Banyak persoalan malpraktek, atas kesadaran
hukum pasien diangkat menjadi masalah pidana
sebagai contoh kasus Ibu SISI Chalik, korban pada
tahun 2000 lalu menderita penyakit tumor rahim
(myoma). Oleh dokter rumah sakit ibu dan anak
(RSIA) Budhi Jaya di Jalan DR Saharjo Tebet ia
menjalani operasi pengangkatan tumor dengan
laparaskopi. Lima hari sesudah operasi, perut korban
menjadi gembung, sakit dan sesak napas,.
Lanjutnya, operasi susulan kembali dilakukan
sebanyak lima kali, namun kondisinya semakin
kritis. Sisi kemudian dibawa pulang dengan kondisi
sangat memprihatinkan. Dan selama sembilan tahun
ia buang kotoran dari perutnya (Pasaribu, 2010).
Contoh kasus lainnya yang merugikan pasien
yang terjadi di rumah sakit dr. Soebandi akibat
1. PENDAHULUAN
1.1
Latar Belakang
Peranan
teknologi
informasi
khususnya
komputer, mampu mengatasi banyak kendala yang
muncul dalam kehidupan sehari-hari. Pemanfaatan
soft computing terutama dalam area penelitian
(Evans, 2011). Salah satunya kemampuan fuzzy
memberikan hasil diagnosis banding bagi dokter
(Kuncheva et al, 1999). Diagnosis merupakan proses
yang sangat penting. Hasil diagnosis akan
menentukan keberhasilan suatu penyembuhan
penyakit. Diagnosis sangat berpengaruh terhadap
keputusan untuk memberikan obat yang tepat
kepada pasien.
Kesalahan diagnosis adalah salah satu penyebab
dari kasus malpraktek. Kesalahan diagnosis adalah
kegagalan dokter menemukan penyakit pasien atau
dokter mendiagnosis pasien dengan penyakit yang
tidak pernah dimiliki pasien. Perawatan standar yang
diperlukan dalam menegakkan diagnosis adalah
keterampilan, pengetahuan, dan perawatan yang
412
Seminar Nasional Teknologi Informasi dan Komunikasi 2014 (SENTIKA 2014)
Yogyakarta, 15 Maret 2014
kesalahan dokter. Rumah Sakit dr. Soebandi
dikeluhkan oleh kesalahan dokter yang berinisialkan
dr. E, dr. AN, dan dr. A dalam memberikan
diagnosis. Sebelumnya pasien yang berinisialnya ny.
K berumur 70 tahun menerima informasi diagnosis
bahwa ny. K mengalami hernia, akan tetapi ketika
telah di operasi dokter mengalihkan operasi yang
awalnya hernia menjadi operasi ke bagian usus yang
diduga terjadi pembusukan (Alfiansyah, 2013).
Demam berdarah adalah suatu penyakit yang
disebabkan oleh virus Dengue dan Genus Flavivirus.
Demam berdarah dengue selama 20 tahun terakhir
merupakan penyebab terpenting angka kematian di
beberapa bagian Asia dan Amerika Selatan (Gubler
et al,1997).
Penyakit demam berdarah dapat didiagnosis
dengan melihat gejala yang muncul, seperti demam
tinggi dan perubahan warna atau tekstur kulit.
Namun terkadang gejala penyakit demam berdarah
sulit dibedakan dengan penyakit malaria,
leptopirosis maupun demam tifoid, maka untuk
memastikan bahwa penyakit tersebut demam
berdarah maka perlu dilakukan pemeriksaan
laboratorium agar mendapat hasil yang akurat. Tes
yang biasanya dilakukan adalah studi serologi untuk
mengetahui ada tidaknya antibodi terhadap virus
dengue di tubuh pasien, menghitung titer antibodi
terhadap virus dengue, dan perhitungan sel darah
lengkap ( sel darah merah, sel darah putih, dan
trombosit).
Secara teoritis diagnosis penyakit dapat
dipelajari sebagai suatu pengetahuan dan melalui
proses latihan yang rutin. Permasalahannya adalah
apabila petugas yang mengidentifikasi jenis penyakit
belum terlalu terampil, maka waktu yang dibutuhkan
untuk serangkaian kegiatan diagnosis menjadi lebih
lama. Penerapan Neuro Fuzzy ke dalam sistem
informasi yang dapat melakukan identifikasi
penyakit, akan sangat membantu dalam proses
kegiatan diagnosis secara cepat dan tepat.
Menggabungkan logika fuzzy dan jaringan syaraf
tiruan yang memberikan metode penyesuaian aturan
melalui algoritma pembelajaran hybrid terhadap
sekumpulan data pelatihan yang memungkinkan
aturan-aturan fuzzy untuk beradaptasi. Melalui
penggunaan ANFIS dapat menyelesaikan masalahmasalah pemodelan fungsi masukan nonlinear
dengan dua masukan, tiga masukan, identifikasi
langsung dalam sistem kendali, prediksi dinamika
acak Mackey-Glass Time Series, prediksi automabile
MPG (mill per gallon) dan metode prediksi linear
(Jang, 1997). Selain itu didalamnya terdapat aturanaturan fuzzy yang dapat memberikan interpretasi
mendekati kebenaran. Dibandingkan dengan
jaringan syaraf tiruan perambatan-balik, proses
pembelajaran ANFIS hanya membutuhkan beberapa
puluh epoch saja (Kadiran, 2010). Oleh karenanya
diyakini metode ANFIS akan memberikan proses
pembelajaran yang lebih cepat dan efisien dibanding
jaringan syaraf tiruan.
ISSN: 2089-9813
1.2
Rumusan Masalah
Berdasarkan pada latar belakang di atas, maka
dapat dirumuskan masalah yaitu, bagaimana
membangun sebuah sistem cerdas yang mampu
memberikan hasil diagnosis pembanding dengan
dokter berdasarkan rekam medis dan pemeriksaan
laboratorium pasien.
1.3
Tujuan Penelitian
Tujuan penelitian yang akan dilakukan yaitu :
a. Merancang neuro fuzzy system untuk tujuan
diagnosis banding bagi dokter.
b. Untuk mengimplementasikan neuro fuzzy system
ke dalam sebuah sistem cerdas yang mampu
memberikan hasil diagnosis penyakit.
c. Membangun sebuah sistem menggunakan neuro
fuzzy system yang dapat melakukan proses
pembelajaran.
2.
2.1
TINJAUAN PUSTAKA
Penelitian Tentang Neuro Fuzzy
Cathers (1995) menggunakan jaringan syaraf
tiruan terdiri dari tiga lapis dan dilatih dengan
metoda backpropagation untuk mengklasifikasi
phonocardiogram, hasilnya mampu membedakan
normal dan abnormal.
Jang (1997) dalam bukunya yang berjudul
Neuro_Fuzzy and Soft Computing menerangkan
bahwa dengan menggabungkan logika Fuzi dan
Jaringan Syaraf Tiruan yang memberikan metode
penyesuaian aturan melalui algoritma pembelajaran
hybrid terhadap sekumpulan data pelatihan yang
memungkinkan
aturan-aturan
fuzzy
untuk
beradaptasi. Melalui penggunaan ANFIS dapat
menyelesaikan masalah-masalah pemodelan fungsi
masukan nonlinear dengan dua masukan, tiga
masukan, identifikasi langsung (on-line) dalam
sistem kendali, prediksi dinamika acak dan metode
prediksi linear.
Andrisevic dkk (2006) menggunakan jaringan
syaraf
tiruan
untuk
membedakan
dan
mengklasifikasikan suara jantung normal dengan
abnormal (murmur) menggunakan jaringan syaraf
tiruan. Hasil penelitian menunjukkan bahwa sistem
cerdas yang dibangun mampu membedakan sampai
70,5% dan memiliki kepekaan 64,7%.
Munarto (2008) melakukan penelitian untuk
pengendalian elektroda tungku busur listrik pabrik
Slab Steel Plan, dengan menggunakan ANFIS waktu
pelatihannya 42 detik lebih kecil dinanding dengan
menggunakan JST yaitu menghasilkan waktu
pelatihan 225 detik pada penelitian sebelumnya.
Seyedhoseini et al (2010) dalam penelitiannya
mengembangkan
pendekatan
ANFIS
untuk
pengukuran kecerdasan dalam Supply Chain.
Sebagai kompleksitas dan ketidak jelasan agility
dalam pasar global maka hal tersebut harus dianggap
sebagai salah satu karakteristik penting dari Agile
Supply Chain (ASC), efisiensi diterapkan pada
413
Seminar Nasional Teknologi Informasi dan Komunikasi 2014 (SENTIKA 2014)
Yogyakarta, 15 Maret 2014
ANFIS untuk memasukkan kemampuan agility yang
berbeda dan rumit ke model lingkungan ambigu.
Yildiz et al (2010) dalam penelitiannya untuk
mengaktualisasikan prediksi kebangkrutan bank
yang memiliki struktur keuangan yang buruk untuk
berbagai alasan dengan neuro fuzzy.
Isnianto (2010) mengaplikasikan jaringan syaraf
tiruan untuk mengklasifikasikan gangguan isyarat
suara jantung sebagai alat bantu mendiagnosis
gangguan jantung. Hasilnya toleransi galat terkecil
agar jaringan ANFIS mampu mengenali semua
kasus gangguan jantung sebesar 0,005.
Kadiran (2010) melakuakan penelitian dalam
mengenali isyarat masukan berdasarkan hasil
pengenalan yang telah dilakukan oleh para ahli
medis. Dengan mengatur parameter-parameter
dalam ANFIS sehingga diperoleh respon sistem
yang benar yaitu identifikasi isyarat yang dilatihkan.
Giovanis (2010)
yang dalam penelitiannya
menyajikan suatu neuro fuzzy dengan pendekatan
dimana suatu keadaan kesulitan keuangan serta
model yang tepat untuk pengamatan resiko. ANFIS
menunjukkan teknologi yang lebih sesuai untuk
pengawasan resiko kredit keuangan dan manajemen
dan untuk peramalan dari dari kebangkrutan dan
masa sulit.
Raharja (2012) melakukan penelitian untuk
memprediksi pertumbuhan PDRB menggunakan
ANFIS dengan algoritma pembelajaran hybrid,
menghasilkan error terbaik sebesar 1.35E-07
menggunakan 16 data pelatihan dan tipe fungsi
keanggotaan segitiga (Triangular).
bentuk informasi imprecision (ketidakpastian).
Mengapa komputer yang dibuat oleh manusia tidak
mampu menangani persoalan yang kompleks dan
tidak
presisi
ini
sedangkan manusia bisa.
Jawabanya adalah manusia mempunyai kemampuan
untuk menalar (Reasoning) dengan baik yaitu
kemampuan yang komputer tidak mempunyainya.
Pada suatu sistem jika kompleksitasnya berkurang,
maka persamaan matematik dapat digunakan dan
ketelitian yang dihasilkan menjadi sangat berguna
dalam pemodelan sistem tetapi jika kompleksitasnya
bertambah dimana persamaan matematik tidak dapat
digunakan , logika fuzzy menjadi salah satu alternatif
penyelesaiannya.
Logika fuzzy merupakan alternatif cara berpikir
yang dapat memodelkan kompleks sistem
menggunakan pengetahuan dan pengalaman yang
dipunyai logika dimulai sebagai studi tentang bahasa
dalam argument dan persuasif , dan hal itu
kemungkinan digunakan untuk menilai kebenaran
dari rantai reasoning, dalam bentuk matematikanya
sebagai contoh adalah sebagai berikut : Dalam dua
nilai logika proporsinya bisa benar atau salah , tetapi
tidak keduanya. Kebenaran ditandai dengan
statement(pernyataan) nilai kebenaran. Dalam fuzzy
logic proporsi kemungkinan benar atau salah atau
mempunyai setengah nilai kebenaran , seperti
kemungkinan benar (Castillo et al, 2007).
Ide pemikiran pada sistem fuzzy yaitu nilai
kebenaran (dalam fuzzy logic) atau nilai fungsi
keanggotaan (Membership function) dalam fuzzy set
diindikasikan oleh nilai pada range [0.0,1.0], dengan
0.0 mewakili kesalahan absolut dan 1.0 mewakili
kebenaran absolut. Dalam kasus ini berhubungan
dengan multivalued logic (logika bernilai banyak)
(Anonim, 2013).
2.2
Penelitian Tentang Demam Berdarah
Sahal (2013) melakukan penelitian dengan
pembuatan Sistem pakar dalam memberikan
informasi mengenai berapa tingkat resiko seorang
terkena penyakit DBD berdasarkan gejala-gejala
yang dimiliki oleh pasien. Hasilnya banyak
kesamaan hasil antara perhitungan sistem pakar
maupun perhitungan manual.
Penelitian yang dilakukan oleh Satyareni (2011),
terminologi Sistem pakar diartikan sebagai sistem
komputer yang dapat melakukan penghampiran
terhadap logika inferensi forward chaining untuk
membuat diagnosis awalnya dan backward chaining
digunakan untuk proses konsultasi, diharapkan dapat
dibangun sebuah sistem pakar yang berbasis
teknologi informasi untuk membuat diagnosis
penyakit infeksi tropis. Dengan hasil aplikasi yang
dibuat mendekati hasil diagnosis yang dibuat
seorang dokter penyakit infeksi tropis.
3.
ISSN: 2089-9813
3.2
Sistem Inferens Fuzzy
Sistem Inferens Fuzzy disebut juga Sistem
berbasis aturan fuzzy ( fuzzy rule based system).
Struktur dasar sistem inferensi fuzzy (Gambar 3.1)
terdiri atas:
1. Basis aturan yang berisi sejumlah aturan fuzzy
yang memetakan nilal masukan fuzzy ke nilai
keluaran fuzzy. Aturan ini sering dinyatakan dengan
format IF - THEN.
2. Basis data yang berisi fungsi keanggotaan dan
himpunan fuzzy yang digunakan sebagai nilai bagi
setiap variable system.
3. Mekanisme penalaran fuzzy yang melakukan
prosedur inferensi.
Unit fuzifikasi melakukan proses fuzifikasi dan
data masuka tegas (crisp) dengan cara:
1. Pemetaan nilai tegas variabel masukan ke
semesta wacana yang sesuai.
2. Konversi dan data yang terpetakan tersebut ke
istilah linguistik yang sesuai dengan
himpunan fuzzy yang telah didefinisikan untuk
variable tersebut.
BAHASAN UTAMA
3.1
Fuzzy Logic
Logika fuzzy atau fuzzy logic bermula dari
kenyataan bahwa dunia nyata sangat kompleks.
Kompleksitas ini muncul dari ketidakpastian dalam
414
Seminar Nasional Teknologi Informasi dan Komunikasi 2014 (SENTIKA 2014)
Yogyakarta, 15 Maret 2014
ISSN: 2089-9813
Gambar 3.3. Nilai Tegas yk
Nilai tegas : y
k
Nilai Fuzzy : y ,  (y) = 0,1
k
B1
k
B2
y ,  (y) = 0,7
2. Step 2 : Evaluasi Aturan
Untuk setiap aturan :
a. Evaluasi bagian antecedent aturan RI
 Hitung firing strength dari tiap antecedent
aturan RI
 Hitung firing strength WI dari aturan RI
b. Evaluasi bagian konsekuensi aturan RI
Ga
mbar 3.1. Struktur Inferensi Fuzzy
Langkah-langkah dalam melakukan Sistem Inferensi
Fuzzy :
1. Step 1 : Fuzzifikasi
Untuk harga input tajam x , y
k
3. Step 3 : Agregasi
Agregasi adalah proses penggabungan output
seluruh aturan. Fungsi keanggotaan yang
dihasilkan oleh konsekuensi tiap aturan (melalui
teknik pemotongan atau penyekalaan) ,
digabungkan menjadi sebuah
himpunan fuzzy untuk setiap variabel output (
Gambar 3.4).
k
Gambar 3.2. Nilai Tegas xk
Nilai tegas : x
k
Nilai fuzzy : x ,  (x ) = 0,5
k
A1
k
x ,  (x1) = 0,2
k
A2
k
A3
Gambar 3.4. Agregasi
x ,  (x ) = 0,0
k
4. Step 4 : Defuzikasi
Hasil agregasi didefuzifikasi , dengan salah satu
teknik defuzifikasi, untuk memperoleh nilai output
tajam ( Gambar 3.5).
415
Seminar Nasional Teknologi Informasi dan Komunikasi 2014 (SENTIKA 2014)
Yogyakarta, 15 Maret 2014
ISSN: 2089-9813
Gambar 3.6. Struktur Jaringan ANFIS
3.4
Gambaran Umum Sistem
Pasien merupakan objek yang menjadi sumber
data sehingga sehingga menghasilkan informasi
rekam medis dan hasil laboratorium. Ketika seorang
pasien melakukan pemeriksaan dan dokter menduga
bahwa pasien terserang penyakit demam berdarah
maka selanjutnya pasien melakukan pemeriksaan
laboratorium.
Baik data rekam medis maupun hasil
pemeriksaan laboratorium kemudian diproses
fuzikasi agar memperoleh nilai crips.
Hasil dari diagnosa sistem diperoleh berdasarkan
fakta dari gejala-gejala yang dirasakan oleh pasien
baik gejala klinis maupun laboratoris.
ANFIS memiliki dua masukan x dan y (Gambar
3.7), x mewakili data rekam medis pasien seperti
demam, pusing dan muntah. Sedangkan y mewakili
data hasil pemeriksaan laboratorium. Keluaran yang
dihasilkan dapat di bagi menjadi Normal ( tidak
demam berdarah ) 1, Demam Berdarah ( Rawat
Jalan) 2, Demam Berdarah ( Rawat Inap) 3.
Gambar 3.5. Defuzikasi
3.3
ANFIS
ANFIS adalah penggabungan mekanisme fuzzy
inferens sistem dengan jaringan syaraf, sehingga
membentuk jaringan adaptif yang berbasis logika
fuzzy sebagai dasar kerjanya. Metode penggabungan
ini dilandasi oleh pertimbangan bahwa pengatur
logika fuzzy mampu mengolah dta dengan
menghilangkan ketidak jelasan dan ketidak pastian,
sedangkan jaringan saraf tiruan mampu melakukan
proses pelatihan berdasarkan kondisai yang
diberikan oleh manusia.
Dalam ANFIS syarat-syarat untuk optimasi
parameter sistem fuzzy telah dihapus. Jaringan saraf
secara otomatis mengatur parameter-parameter
sistem fuzzy. Dengan penggabungan kemampuan
pembelajaran jaringan syaraf dan keuntungan dari
sistem fuzzy berbasis aturan ANFIS dapat
memperbaiki hasil dan mekanisme klasifikasi yang
signifikan.
ANFIS mempunyai dua jenis parameter, yaitu
parameter premis (alasan yang mendasari penalaran)
dan parameter dan parameter consequent (hasil
penalaran). Proses pembelajarannya menggunakan
metode back propagation dan hybrid. Metode hybrid
lebih diutamakan dibanding back propagation yang
dapat terjebak pada minimum local. Model sistem
yang dapat digunakan model Mamdani atau model
Takagi, Sugeno dan Kang orde satu yang disebut
model
sugeno.
Model
Sugeno
memiliki
kesederhanaan dan kemudahan dalam komputasi,
proses pembelajaran atas sekumpulan data pelatihan
akan memungkinkan satu set aturan-aturan fuzzy
beradaptasi.
Tabel 3.1. Data Masukan dan Keluaran
Masukan 1
Demam
Masukan 2
Hematorit
Pusing
Trombosit
Muntah
Segment
Keluaran
Normal (tidak
demam
berdarah)
Demam
Berdarah
(Rawat Jalan)
Demam
Berdarah
(Rawat Inap)
Hematorit (HCT) nilai normalnya 36-45%
apabila >45% maka dapat diklasifikasikan DB,
begitu pula trombosit (PLT) nilai normalnya
berkisar 150-400 103/mm3 sehingga <150 dapat
diklasifikasikan salah satu ciri penderita DB,
sedangkan segment (GRA) nilai normalnya berkisar
40-70% dikatakan DB jika nilai segment >70%.
416
Seminar Nasional Teknologi Informasi dan Komunikasi 2014 (SENTIKA 2014)
Yogyakarta, 15 Maret 2014
ISSN: 2089-9813


Proses belajar pada ANFIS
Pada struktur ANFIS, simpul adaptif terdapat
pada lapisan pertama dan keempat. Simpul pada
lapisan pertama mengandung parameter premis yang
nonlinier sedangkan pada lapisan keempat
mengandung parameter konsekuen yang linier.
Untuk memperbaharui parameter-parameter itu
atau dalam kata lain jaringan saraf itu belajar, maka
perlu algoritma. Kemudian setelah parameter
konsekuen didapatkan, data masukan dilewatkan
jaringan adaptif kembali dan hasil keluaran jaringan
adaptif ini dibandingkan dengan keluaran yang
sebenarnya. Pada arah mundur, parameter
konsekuen dibuat tetap. Kesalahan yang terjadi
antara keluaran jaringan adaptif dan keluaran
sebenarnya
dipropagasikan
balik
dengan
menggunakan gradient descent untuk memperbaiki
parameter premis.
Contoh premis: tidak Normal 1 dan tidak DB
(rawat jalan) 2 dan tidak DB (rawat inap) 3 maka
hasilnya demam. Dengan nilai CF yang diperoleh 0.
Nilai dari faktor kepastian aturan CF adalah nilai
faktor-faktor kepastian dari seorang dokter yang di
wawancara. Nilai kepastian setiap aturan dihitung
dengan persamaan yi = fakta 1 x fakta 2 x fakta 3 x
CF.
Gambar 3.7. Struktur Sistem ANFIS
Keterangan dari struktur ANFIS (Gambar 3.6) (Lin,
1995) :
 Lapisan pertama adalah lapisan masukan,
berisi nilai crips dari masing-masing
masukan

 A ( x2 ); i  1,2
O1,i   i

 Bi  2 ( x2 ); i  3,4

dari neuron ke 1 pada lapisan ini adalah y =
Min ( 0.4 , 0.3) = 0.3
Lapisan keempat merupakan keluaran
sistem neuro fuzzy, untuk menghitung nilai
keluaran pada jaringan neural ini digunakan
fungsi simoid y = 1/ (1+e-x), dimana x
adalah jumlah dari masukan yang menuju
neuron pada lapisan ini sehingga
didapatkan nilai keluaran yang berkisar 0
sampai 1
Pembelajaran
menggunakan
metode
backpropagation
dilakukan
untuk
menentukan bobot-bobot di antara lapisan
ketiga dan keempat
(3.1)
Lapisan kedua berisi nilai fuzzy dari
masing-masing
masukan,
dengan
menggunakan fungsi segitiga seperti
berikut
4.
KESIMPULAN
Dengan menggunakan sistem cerdas yang
mampu melakukan learning algorithm, diharapkan
sebuah sistem mampu melakukan pembelajaran
sehingga output yang dihasilkan semakin lama
semakin mendekati sebuah kebenaran. Hal ini
memungkinkan untuk meminimalisir adanya salah
diagnosa penyakit. Dengan menggunakan sistem
inferensi fuzzy data-data dapat bernilai crips
sehingga dapat memprediksi hasil diagnosis
penyakit yang sesuai dengan gejala yang dialami.
Gambar 3.8. Segitiga Perhitungan Nilai Fuzzy
misalkan nilai a adalah 5 dan b adalah 10, ketika
sebuah masukan tersebut akan termasuk “jarang”
sebesar µjarang = (10-6) : (10-5) = 0.8 termasuk
“sedang” sebesar µsedang = (6-5) : (10-5) = 0.2 dan 0
untuk sering (gambar 3.8).
 Lapisan ketiga merupakan kombinasi dari
semua nilai fuzzy yang mungkin operator
yang digunakan adalah operator AND
dengan fungsi aktivasi y= Min (x1, x2, x3,
x4,......x8).
Contohnya apabila nilai “jarang” untuk
masukan 1 adalah 0.4 dan nilai “jarang”
untuk masukan 2 adalah 0.3 maka keluaran
PUSTAKA
Alfiansyah. 2013. Tanggunggugat Dokter Atas
Kesalahan Diagnosis Pada Pelayanan Medis Di
Rumah Sakit. Journal Universitas Brawijaya.
417
Seminar Nasional Teknologi Informasi dan Komunikasi 2014 (SENTIKA 2014)
Yogyakarta, 15 Maret 2014
Andrisevic, Nicholas., Ejaz, Khaled., RiosGutierrez, Fernando., Alba-Flores, Rocio.,
Nordehn, Glenn., Burns, Stanley., 2006,
Detection of Heart Murmurs Using Wavelet
Analysis and Artificial Neural Networks, Journal
of Biomechanical Engineering [online], Vol.
127, Issue 6, pp. 899-904 , terdapat di :
http://scitation.aip.org/journals/doc/JBENDYft/vol_127/iss_6/899_1.html
Anonim. Bab 2. Landasan Teori. Terdapat di :
thesis.binus.ac.id/eColls/Asli/Bab2/2007-3-00193-IF-Bab%202.pdf.
Cathers, Ian. 1995. Neural Network Assisted
Cardiac
Auscultation.
Journal
Artificial
Intelligence in Medicine – ARTMED. vol. 7, no.
1, pp. 53-66, 1995.
C. T. Lin, “A neural fuzzy control system with
structure and parameter learning,” Fuzzy sets and
Sys., vol. 70, pp.183-212, 1995.
Giovanis. 2010. A Neuro-Fuzzy Appoach in the
Prediction of Financial Stability and Distress
Periods, MPRA paper no 24659, Muenchen.
Gubller DJ., Kuno G. 1997 Dengue and Dengue
Haemorrhagic Fever. Cab. International: The UK
at The University Press, Cambridge.
Isnianto, Hidayat Nur. 2010. Aplikasi Adaptive
Neuro-Fuzzy Inference System (Anfis) Untuk
Klasifikasi Suara Jantung Dengan Ekstrasi Ciri
Menggunakan Transformasi Wavelet Sebagai
Alat Bantu Diagnosis Gangguan Jantung. Tesis
Tidak Terpublikasi. Yogyakarta : Universitas
Gadjah Mada.
Kadiran. 2010. Identifikasi Suara Respirasi
Menggunakan Anfis (Adaptive Neuro Fuzzy
Inference System). Tesis Tidak Terpublikasi.
Yogyakarta : Universitas Gadjah Mada.
L. I. Kuncheva and F. Stimann, “Fuzzy diagnosis,”
Atrif. Intel. In Medic., vol. 16, pp. 121-128, 1999
M. D. D. Evans, Exchange-rate dynamics: Princeton
University Press, 2011.
Munarto, RI. 2008. Analisis Kendali Posisi
Elektroda Tungku Busur Listrik Pabrik Slab
Steel Plant PT. Krakatau Steel Berbasis ANFIS.
Tesis Tidak Terpublikasi. Yogyakarta :
Universitas Gadjah Mada.
Jang, J.S.R., Sun, C.T., Mizutani, E., 1997, NeuroFuzzy and Soft Computing : A Computational
Approach
to
Learning
and
Machine
Intelligence, Prentice-Hall International, New
Jersey.
O. Castillo, P. Melin, J. Kacprzyk, and W. Pedrycz,
“Type-2
Fuzzy
Logic:
Theory
and
Applications,” in Granular Computing, 2007.
GRC 2007. IEEE International Conference on,
2007, pp. 145-145.
Pasaribu, Ledyana. 2010. Pertanggungjawaban
Hukum Profesi Dokter Dalam Kasus
Malpraktek Menurut Undang-Undang 29 Tahun
2004 Tentang Praktek Kedokteran. Tesis Tidak
ISSN: 2089-9813
Terpublikasi. Yogyakarta : Universitas Gadjah
Mada.
Raharja, Made Agung. 2012. Prediksi Pertumbuhan
Produk Domestik Regional Bruto (PDRB)
Menggunakan Adaptive Neuro Fuzzy Inference
System (ANFIS). Tesis Tidak Terpublikasi.
Yogyakarta : Universitas Gadjah Mada.
Sahal, Ahmad. 2013. Sistem Pakar Sebagai Alat
Bantu Asuhan Keperawatan Menangani Penyakit
Demam Berdarah Dengan Algoritma Rete dan
Certainty Factor. Tesis Tidak Terpublikasi.
Yogyakarta : Universitas Gadjah Mada.
Satyareni, Diema H., 2011, Sistem Pakar Diagnosis
Penyakit Infeksi Tropis Dengan Menggunakan
Forward dan Backward Chaining, Teknologi,
Vol. 1, No. 2, Juli 2011, Darul Ulum, Jombang.
Seyedhoseini, S.M., Jassbi, J. Dan Pilevari, N. 2009.
Application of Adaptive Neuro Fuzzy Inference
System in Measurement of Supply Chain Agility:
Real case study of a manufacturing company.
African Journal of Business Management Vol. 4
(1), pp. 083-096, January 2010. Azad
University, Tehran, Iran.
Yildiz., Birol, 2010. Bankruptcy Prediction Using
Neuro Fuzzy: An Application in Turkish Banks,
International Research Journal of Finance and
Economics, ISSN 1450-2887 Issue 6, Turkey.
418